
import pandas as pd
import numpy as np
import itertools

import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.ticker as ticker

from plotly import graph_objects as go
import plotly.io as pio

pio.renderers.default = "notebook_connected"

pio.templates["letovo"] = go.layout.Template(
    layout_colorway=['#0D3174', '#FDC300', '#A40C30', '#00ADB9',
                     '#B2B2B2']
)
pio.templates.default = "letovo"

import warnings
warnings.filterwarnings("ignore")

plt.rcParams['figure.figsize'] = (16,10)
plt.rcParams['font.size'] = 22

sns.set_style('darkgrid')

plt.rcParams['figure.figsize'] = (16,9)
plt.rcParams['font.size'] = 22

YELLOW = '#FDC300'
BLUE = '#0D3174'
palette_dict = {1: YELLOW, 0: 'grey'}


df = pd.read_csv('students_course_resullts.csv', parse_dates=['course_start_at', 'accepted_at', 'created_at'])
display(df.head())
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2458 entries, 0 to 2457
Data columns (total 15 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   lo_id              2458 non-null   int64         
 1   grade              2458 non-null   int64         
 2   study_year_id      2458 non-null   int64         
 3   school_app         2458 non-null   int64         
 4   course_id          2458 non-null   int64         
 5   course_name        2458 non-null   object        
 6   created_at         2458 non-null   datetime64[ns]
 7   accepted_at        2458 non-null   datetime64[ns]
 8   group_name         2458 non-null   object        
 9   lessons_completed  2458 non-null   int64         
 10  course_start_at    1521 non-null   datetime64[ns]
 11  course_lesson_cnt  2458 non-null   int64         
 12  student_score      2458 non-null   int64         
 13  max_score          2458 non-null   int64         
 14  test_result_final  2389 non-null   float64       
dtypes: datetime64[ns](3), float64(1), int64(9), object(2)
memory usage: 288.2+ KB


df.group_name = df.group_name.str[-5:]
df.group_name = pd.Categorical(df.group_name, ordered=True, categories=['26.09', '24.10', '28.11', '16.01'])
df.group_name

0       26.09
1       26.09
2       26.09
3       26.09
4       26.09
        ...  
2453    28.11
2454    16.01
2455    24.10
2456    16.01
2457    28.11
Name: group_name, Length: 2458, dtype: category
Categories (4, object): ['26.09' < '24.10' < '28.11' < '16.01']


app_per_user_count = df.groupby(['lo_id', 'course_name'])['lo_id'].count()
bad_users = app_per_user_count[app_per_user_count > 1].index.droplevel(1)
display(len(bad_users))
bad_df = df[df.lo_id.isin(bad_users)].sort_values(by=['lo_id', 'course_name'])
bad_df

102


df['accepted_at'] = df.groupby(['lo_id', 'course_name'])['accepted_at'].transform('max')

df = df.drop_duplicates(subset=['lo_id', 'course_name', 'accepted_at'])
app_per_user_count = df.groupby(['lo_id', 'course_name'])['lo_id'].count()
bad_users = app_per_user_count[app_per_user_count > 1].index.droplevel(1)
display(len(bad_users))

0


df['course_started'] = 0
df.loc[df['lessons_completed'] >= 1, 'course_started'] = 1

df['course_50'] = 0
df.loc[df['lessons_completed'] * 2 >= df['course_lesson_cnt'], 'course_50'] = 1

df['course_100'] = 0
df.loc[df['lessons_completed'] == df['course_lesson_cnt'], 'course_100'] = 1

df['percent_score'] = df['student_score'] / df['max_score']
df


df_start = df[df.course_started == 1].copy()
df_school = df_start[df_start.school_app == 1].copy()


course_apps = pd.read_csv('students_course_apps_groups.csv')
course_apps['group_name'] = course_apps['group_name'].astype(str)
course_apps.loc[course_apps['group_name'] == '24.1', 'group_name'] = '24.10'
course_apps.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4179 entries, 0 to 4178
Data columns (total 3 columns):
 #   Column       Non-Null Count  Dtype 
---  ------       --------------  ----- 
 0   lo_id        4179 non-null   int64 
 1   course_name  4179 non-null   object
 2   group_name   4179 non-null   object
dtypes: int64(1), object(2)
memory usage: 98.1+ KB


course_apps['group_name'].unique()

array(['26.09', '24.10', '28.11', '16.01'], dtype=object)


course_apps['group_name'] = pd.Categorical(course_apps['group_name'], ordered=True, categories=['26.09', '24.10', '28.11', '16.01'])
course_apps['group_name']

0       26.09
1       26.09
2       26.09
3       26.09
4       26.09
        ...  
4174    16.01
4175    16.01
4176    16.01
4177    16.01
4178    16.01
Name: group_name, Length: 4179, dtype: category
Categories (4, object): ['26.09' < '24.10' < '28.11' < '16.01']


course_apps['group_name'].unique()

['26.09', '24.10', '28.11', '16.01']
Categories (4, object): ['26.09' < '24.10' < '28.11' < '16.01']


course_apps_count = course_apps.groupby(['course_name', 'group_name']).agg({'lo_id':'count'})
course_apps_count.columns = ['Заявки']
course_apps_count


course_info = df.groupby(['course_name', 'group_name']).agg({
     'test_result_final':'mean',
    'lo_id':'count', 
    'course_started':'sum', 
    'course_50':'sum', 'course_100':'sum'
    })
course_info.columns = ['Тест (%)', 'Одобренные заявки', 'Приступили', '50%', '100%']
course_info


course_start_info = df_start.groupby(['course_name', 'group_name']).agg({
    'school_app':'sum', 'percent_score':'mean'
})
course_start_info.columns = ['Заявки в школу', 'Средний результат (%)']
course_start_info


course_school_result = df_school.groupby(['course_name', 'group_name']).agg({'percent_score':'mean'})
course_school_result.columns = ['Результат абитуриентов (%)']
course_school_result


course_info_fin = course_apps_count.join(course_info, how='left').join(course_start_info, how='left').join(course_school_result, how='left')

#Посчитаем реальное кол-во висящих заявок на дату одобрения:
course_info_fin.insert(2, 'Заявки на дату одобрения', course_info_fin.groupby(level=0).apply(
    lambda x: ((x['Заявки'] - x['Одобренные заявки']).shift(1).cumsum() + x['Заявки']).fillna(x['Заявки'])
    ).droplevel(0)
)
course_info_fin.insert(4, 'Одобренные (%)', course_info_fin['Одобренные заявки'] / course_info_fin['Заявки на дату одобрения'])
course_info_fin.insert(6, 'Приступили (%)', course_info_fin['Приступили'] / course_info_fin['Одобренные заявки'])
course_info_fin.insert(10, 'Заявки в школу (% от приступивших)', course_info_fin['Заявки в школу'] / course_info_fin['Приступили'])

course_info_fin = course_info_fin[course_info_fin['Одобренные заявки'] != 0]
#course_info_fin.to_excel('courses_groups_summary.xlsx')
course_info_fin


course_group = course_info_fin.index.tolist()
course_group

[0,
 1,
 2,
 3,
 4,
 5,
 6,
 7,
 8,
 9,
 10,
 11,
 12,
 13,
 14,
 15,
 16,
 17,
 18,
 19,
 20,
 21,
 22,
 23,
 24,
 25,
 26,
 27,
 28,
 29,
 30,
 31,
 32,
 33,
 34,
 35,
 36,
 37]


def histplot_hue_percent(data, x, hue, title=None, xlabel=None, ylabel=None, hue_legend_labels=None, hue_legend_title=None, palette=None, bins=10):    
    ax = sns.histplot(data=data, x=x, hue=hue, palette=palette, multiple='stack', bins=bins)
    ax.xaxis.set_major_formatter(ticker.PercentFormatter(1, decimals=0))
    percents = [f'{x.get_height() / (x.get_height() + y.get_height()):.1%}' if x.get_height()!=0 else '' for x, y  in zip(ax.containers[0], ax.containers[1])]
    ax.bar_label(ax.containers[1], percents, fontsize=18)
    
    plt.grid(axis='x')
    if title:
        ax.set_title(title)
    if xlabel:
        ax.set_xlabel(xlabel)
    if ylabel:
        ax.set_ylabel(ylabel)
    if hue_legend_labels:
        legend = ax.get_legend()
        handles = legend.legendHandles
        labels = hue_legend_labels
        ax.legend(handles, labels, title=hue_legend_title)
    return ax
histplot_hue_percent(data=df_start, x='percent_score', hue='school_app', palette=palette_dict,
                     title='Результаты (показан процент абитуриентов)', 
                     xlabel='Результат за курс (%)', ylabel='Кол-во',
                     hue_legend_labels=['Нет', 'Да'], hue_legend_title='Заявка в школу')
plt.show()


for course, group in course_group:
    if course_info_fin.loc[(course, group), 'Приступили'] >= 30:
        data = df_start[(df_start.course_name == course) & (df_start.group_name == group)]
        if data.shape[0] != 0:
            histplot_hue_percent(data=data, x='percent_score', hue='school_app',
                                 title = f'Распределение результатов за курс (показан процент абитуриентов)\n{course} - {group}',
                                 xlabel='Результат (%)', ylabel='Кол-во учеников',
                                 palette=palette_dict,
                                 hue_legend_title='Заявка в школу', hue_legend_labels=['Нет', 'Да'])
            plt.show()


courses = df_start.course_name.unique()


def continuous_by_groups_plot(df: pd.DataFrame, x: str, y: str, outliers=False,
                              title: str=None, xlabel: str=None, ylabel: str=None, palette='Set2',
                              hue: str=None, hue_legend_labels: str=None, hue_legend_title: str=None):

  ax = sns.boxplot(data=df, x=x, y=y, showfliers=outliers, hue=hue, palette=palette)
  if title:
    ax.set_title(title)
  if xlabel:
    ax.set_xlabel(xlabel)
  if ylabel:
    ax.set_ylabel(ylabel)
  if hue_legend_labels:
    handles, labels = ax.get_legend_handles_labels()
    labels = hue_legend_labels
    ax.legend(handles, labels, title=hue_legend_title)
  ax.yaxis.set_major_formatter(ticker.PercentFormatter(1, decimals=0))
  return ax

for course in courses:
    data = df_start[df_start.course_name == course]
    continuous_by_groups_plot(data, 'group_name', 'percent_score', 
                              title=f'Результаты по курсу {course}', hue='school_app', palette=palette_dict,
                              xlabel='Дата одобрения', ylabel=' ',
                              hue_legend_labels=['Нет', 'Да'], hue_legend_title='Заявка в школу',
                              outliers=True)
    plt.show()


df_start.columns

Index(['lo_id', 'grade', 'study_year_id', 'school_app', 'course_id',
       'course_name', 'created_at', 'accepted_at', 'group_name',
       'lessons_completed', 'course_start_at', 'course_lesson_cnt',
       'student_score', 'max_score', 'test_result_final', 'course_started',
       'course_50', 'course_100', 'percent_score'],
      dtype='object')


df_start['test_result_final'] = df_start['test_result_final'] / 100


for course in courses:
    data = df_start[df_start.course_name == course]
    continuous_by_groups_plot(data, 'group_name', 'test_result_final', 
                              title=f'Результаты тестов перед одобрением\n{course}', hue='school_app', palette=palette_dict,
                              xlabel='Дата одобрения', ylabel=' ',
                              hue_legend_labels=['Нет', 'Да'], hue_legend_title='Заявка в школу',
                              outliers=True)
    plt.show()


course_info_fin = course_info_fin.reset_index()


def make_funnel_group(df, fig, name): 

    user_apps = df['Заявки на дату одобрения'].iloc[0]

    user_approve = df['Одобренные заявки'].iloc[0]

    user_start = df['Приступили'].iloc[0]

    names = ['Заявки', 'Одобрены', 'Приступили'] #'50%', '100%']

    ls_unique = [user_apps, user_approve, user_start]#, user_50, user_100]
    fig.add_trace(go.Funnel(
        name = name,
        y = names,
        x = ls_unique,
        orientation='h',
        textinfo = "value+percent previous",
        textfont={'size':16}
    )
    )
    

    return ls_unique


course_name = 'Математика для начинающих'

for course in course_info_fin.course_name.unique():
    data = course_info_fin[course_info_fin.course_name == course]

    fig = go.Figure()
    for group in data.group_name.unique():    
        make_funnel_group(data[data.group_name == group], fig, group)
    fig.update_layout(title=course)
    fig.show()

	lo_id	grade	study_year_id	school_app	course_id	course_name	created_at	accepted_at	group_name	lessons_completed	course_start_at	course_lesson_cnt	student_score	max_score	test_result_final
0	523390	6	2	1	7	Биологический калейдоскоп	2022-09-08 13:52:34	2022-09-26 23:59:59	Биолог. калейдоскоп 26.09	9	2022-10-16 18:54:41	11	142	249	100.0
1	525181	6	2	1	7	Биологический калейдоскоп	2022-09-05 19:41:42	2022-09-26 23:59:59	Биолог. калейдоскоп 26.09	11	2022-09-28 13:37:00	11	192	249	5.0
2	530923	6	2	1	7	Биологический калейдоскоп	2022-09-06 18:39:22	2022-09-26 23:59:59	Биолог. калейдоскоп 26.09	7	2022-09-30 12:50:13	11	74	249	100.0
3	551221	5	1	1	7	Биологический калейдоскоп	2022-09-07 15:08:03	2022-09-26 23:59:59	Биолог. калейдоскоп 26.09	4	2022-09-28 11:56:59	11	69	249	5.0
4	575428	6	2	1	7	Биологический калейдоскоп	2022-09-07 19:47:42	2022-09-26 23:59:59	Биолог. калейдоскоп 26.09	7	2022-10-11 16:20:57	11	78	249	100.0

	lo_id	grade	study_year_id	school_app	course_id	course_name	created_at	accepted_at	group_name	lessons_completed	course_start_at	course_lesson_cnt	student_score	max_score	test_result_final
430	402326	6	2	0	7	Биологический калейдоскоп	2022-10-01 21:48:23	2023-01-16 12:51:15	24.10	0	NaT	11	0	249	80.0
675	402326	6	2	0	7	Биологический калейдоскоп	2022-10-01 21:48:23	2023-01-16 12:51:15	16.01	0	NaT	11	0	249	80.0
333	444536	8	4	1	63	Основы программирования на языке Python	2022-11-23 21:14:28	2023-01-16 12:55:13	28.11	0	NaT	9	0	31	84.0
1334	444536	8	4	1	63	Основы программирования на языке Python	2022-11-23 21:14:28	2023-01-16 12:55:13	16.01	0	NaT	9	0	31	84.0
210	451851	8	4	1	63	Основы программирования на языке Python	2022-11-19 11:42:09	2023-01-16 12:55:13	16.01	0	NaT	9	0	31	78.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2014	633796	5	1	0	8	Из чего сделано все вокруг? Начинаем изучать х...	2022-11-15 21:20:54	2022-11-28 14:36:35	28.11	1	2022-11-28 21:09:36	9	4	53	95.0
1937	633796	5	1	0	12	Математика для начинающих	2022-11-15 21:12:57	2022-11-28 13:55:46	28.11	1	2022-11-28 16:27:22	12	14	212	100.0
856	633796	5	1	0	14	Математическая физика для начинающих	2022-11-15 21:23:54	2022-11-28 14:27:57	28.11	3	2022-11-28 16:21:26	12	68	295	100.0
2066	633796	5	1	0	4	Подготовка к олимпиаде «Русский медвежонок»	2022-11-27 23:40:16	2023-01-16 12:57:14	28.11	0	NaT	7	0	56	100.0
2410	633796	5	1	0	4	Подготовка к олимпиаде «Русский медвежонок»	2022-11-27 23:40:16	2023-01-16 12:57:14	16.01	0	NaT	7	0	56	100.0

	lo_id	grade	study_year_id	school_app	course_id	course_name	created_at	accepted_at	group_name	lessons_completed	course_start_at	course_lesson_cnt	student_score	max_score	test_result_final	course_started	course_50	course_100	percent_score
0	523390	6	2	1	7	Биологический калейдоскоп	2022-09-08 13:52:34	2022-09-26 23:59:59	26.09	9	2022-10-16 18:54:41	11	142	249	100.0	1	1	0	0.570281
1	525181	6	2	1	7	Биологический калейдоскоп	2022-09-05 19:41:42	2022-09-26 23:59:59	26.09	11	2022-09-28 13:37:00	11	192	249	5.0	1	1	1	0.771084
2	530923	6	2	1	7	Биологический калейдоскоп	2022-09-06 18:39:22	2022-09-26 23:59:59	26.09	7	2022-09-30 12:50:13	11	74	249	100.0	1	1	0	0.297189
3	551221	5	1	1	7	Биологический калейдоскоп	2022-09-07 15:08:03	2022-09-26 23:59:59	26.09	4	2022-09-28 11:56:59	11	69	249	5.0	1	0	0	0.277108
4	575428	6	2	1	7	Биологический калейдоскоп	2022-09-07 19:47:42	2022-09-26 23:59:59	26.09	7	2022-10-11 16:20:57	11	78	249	100.0	1	1	0	0.313253
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2452	609462	5	1	1	12	Математика для начинающих	2022-09-09 18:52:06	2022-11-28 13:55:47	28.11	1	2022-12-06 06:45:28	12	4	212	75.0	1	0	0	0.018868
2453	551162	6	2	0	63	Основы программирования на языке Python	2022-11-26 18:56:00	2022-11-28 14:10:31	28.11	0	NaT	9	0	31	62.0	0	0	0	0.000000
2454	526417	5	1	1	7	Биологический калейдоскоп	2023-01-05 17:23:37	2023-01-16 12:51:15	16.01	10	2023-01-16 18:35:07	11	128	249	70.0	1	1	0	0.514056
2456	527409	7	3	1	77	Экономика фирмы	2023-01-08 16:35:49	2023-01-16 12:58:51	16.01	3	2023-01-25 18:01:23	11	10	39	100.0	1	0	0	0.256410
2457	611939	6	2	0	14	Математическая физика для начинающих	2022-09-25 19:28:34	2022-11-28 14:27:57	28.11	0	NaT	12	0	295	62.0	0	0	0	0.000000

		Результат абитуриентов (%)
course_name	group_name
Академическое письмо (Academic Writing)	26.09	0.335671
	24.10	0.308252
	28.11	0.238403
	16.01	0.242718
Античная философия	26.09	NaN
	24.10	NaN
	28.11	0.531818
	16.01	0.375758
Биологический калейдоскоп	26.09	0.296459
	24.10	0.205489
	28.11	0.235487
	16.01	0.239759
Из чего сделано все вокруг? Начинаем изучать химию	26.09	NaN
	24.10	0.224528
	28.11	0.134434
	16.01	0.146226
Лингвистика для начинающих	26.09	0.207527
	24.10	NaN
	28.11	0.229032
	16.01	NaN
Математика для начинающих	26.09	0.447025
	24.10	NaN
	28.11	0.336006
	16.01	NaN
Математическая физика для начинающих	26.09	NaN
	24.10	0.182082
	28.11	0.251224
	16.01	0.226102
Основы программирования на языке Python	26.09	0.434612
	24.10	0.344086
	28.11	0.368035
	16.01	0.543779
Первые шаги в робототехнику	26.09	0.395299
	24.10	0.384615
	28.11	0.227106
	16.01	0.384615
Подготовка к олимпиаде «Русский медвежонок»	26.09	0.466690
	24.10	0.394345
	28.11	0.251374
	16.01	0.325000
Семейная экономика	26.09	NaN
	24.10	0.345582
	28.11	0.265730
	16.01	0.186747
Финансовая грамотность	26.09	NaN
	24.10	NaN
	28.11	0.286902
	16.01	NaN
Экономика фирмы	26.09	NaN
	24.10	NaN
	28.11	0.124542
	16.01	0.269231

		Заявки	Тест (%)	Заявки на дату одобрения	Одобренные заявки	Одобренные (%)	Приступили	Приступили (%)	50%	100%	Заявки в школу	Заявки в школу (% от приступивших)	Средний результат (%)	Результат абитуриентов (%)
course_name	group_name
Академическое письмо (Academic Writing)	26.09	231	75.042254	231.0	82	0.354978	72	0.878049	40	7	54	0.750000	0.342907	0.335671
	24.10	52	74.431373	201.0	51	0.253731	14	0.274510	8	3	8	0.571429	0.319695	0.308252
	28.11	49	77.020833	199.0	49	0.246231	11	0.224490	3	1	9	0.818182	0.215357	0.238403
	16.01	34	81.129032	184.0	32	0.173913	12	0.375000	4	1	10	0.833333	0.287217	0.242718
Античная философия	28.11	11	72.727273	28.0	11	0.392857	5	0.454545	4	0	2	0.400000	0.432727	0.531818
Античная философия	16.01	6	66.500000	23.0	4	0.173913	3	0.750000	2	0	3	1.000000	0.375758	0.375758
Биологический калейдоскоп	26.09	287	78.134328	287.0	144	0.501742	140	0.972222	79	14	44	0.314286	0.258090	0.296459
	24.10	88	82.741935	231.0	63	0.272727	47	0.746032	26	8	12	0.255319	0.241306	0.205489
	28.11	58	86.666667	226.0	54	0.238938	38	0.703704	19	6	11	0.289474	0.224900	0.235487
	16.01	42	72.432432	214.0	37	0.172897	26	0.702703	14	0	10	0.384615	0.255638	0.239759
Из чего сделано все вокруг? Начинаем изучать химию	24.10	80	79.955357	145.0	114	0.786207	71	0.622807	37	9	20	0.281690	0.282487	0.224528
	28.11	43	86.578947	74.0	38	0.513514	19	0.500000	3	1	8	0.421053	0.163853	0.134434
	16.01	32	75.833333	68.0	24	0.352941	17	0.708333	10	2	4	0.235294	0.306326	0.146226
Лингвистика для начинающих	26.09	146	93.347826	146.0	23	0.157534	23	1.000000	13	2	15	0.652174	0.272791	0.207527
Лингвистика для начинающих	28.11	28	89.360656	188.0	62	0.329787	17	0.274194	6	0	10	0.588235	0.227704	0.229032
Математика для начинающих	26.09	415	71.040000	415.0	75	0.180723	74	0.986667	57	14	26	0.351351	0.466790	0.447025
Математика для начинающих	28.11	83	80.527778	540.0	181	0.335185	84	0.464088	51	11	30	0.357143	0.411107	0.336006
Математическая физика для начинающих	24.10	79	73.047619	143.0	70	0.489510	38	0.542857	19	3	14	0.368421	0.289384	0.182082
	28.11	63	74.272727	136.0	100	0.735294	45	0.450000	24	1	18	0.400000	0.280678	0.251224
	16.01	53	77.475000	89.0	40	0.449438	30	0.750000	16	0	10	0.333333	0.302260	0.226102
Основы программирования на языке Python	26.09	571	75.988701	571.0	184	0.322242	176	0.956522	104	33	74	0.420455	0.443548	0.434612
	24.10	165	70.933333	552.0	108	0.195652	68	0.629630	34	9	27	0.397059	0.419355	0.344086
	28.11	89	77.301075	533.0	94	0.176360	48	0.510638	27	8	22	0.458333	0.457661	0.368035
	16.01	86	78.883117	525.0	78	0.148571	40	0.512821	27	10	14	0.350000	0.533065	0.543779
Первые шаги в робототехнику	26.09	133	67.731707	133.0	42	0.315789	41	0.976190	26	9	12	0.292683	0.398999	0.395299
	24.10	46	70.906250	137.0	32	0.233577	25	0.781250	14	5	11	0.440000	0.424615	0.384615
	28.11	27	68.548387	132.0	32	0.242424	19	0.593750	8	3	7	0.368421	0.302294	0.227106
	16.01	21	79.437500	121.0	16	0.132231	9	0.562500	5	0	2	0.222222	0.339031	0.384615
Подготовка к олимпиаде «Русский медвежонок»	26.09	356	82.925373	356.0	135	0.379213	133	0.985185	80	12	52	0.390977	0.458915	0.466690
	24.10	99	81.530303	320.0	68	0.212500	31	0.455882	19	2	12	0.387097	0.379608	0.394345
	28.11	60	83.766667	312.0	62	0.198718	25	0.403226	12	3	13	0.520000	0.386429	0.251374
	16.01	50	84.416667	300.0	36	0.120000	21	0.583333	9	1	10	0.476190	0.333333	0.325000
Семейная экономика	24.10	52	72.773333	104.0	75	0.721154	45	0.600000	25	3	20	0.444444	0.344668	0.345582
	28.11	37	77.371429	66.0	35	0.530303	18	0.514286	9	2	6	0.333333	0.329763	0.265730
	16.01	27	79.909091	58.0	22	0.379310	14	0.636364	7	0	6	0.428571	0.337923	0.186747
Финансовая грамотность	28.11	33	77.861111	74.0	36	0.486486	19	0.527778	9	2	13	0.684211	0.353011	0.286902
Экономика фирмы	28.11	14	85.884615	38.0	27	0.710526	11	0.407407	2	1	7	0.636364	0.156177	0.124542
Экономика фирмы	16.01	16	83.357143	27.0	14	0.518519	4	0.285714	1	0	4	1.000000	0.269231	0.269231

Imports ¶

Task ¶

Load ¶

Courses and groups info ¶

EDA ¶

Результаты курсов ¶

Гистограммы ¶

Бокс-плоты ¶

Результаты тестов¶

Воронки ¶